做了一个月Skills，我才理解Agent可靠性的本质

文章核心探讨了AI模型的不稳定性，并提出通过构建“Harness”（挽具）工程来提升AI系统的可靠性。文章强调模型本身不可靠，需要通过工程结构来确保稳定运行。具体阐述了Agent层面的Harness设计，包括心跳循环、权限系统、上下文治理等八个方面，以及Skill层面的Harness设置，即任务层的规范化工程设计。文章最后指出，AI系统的可靠性不在于模型的表达能力，而在于出错后的处理机制，即Harness工程思维的应用。

前面的文章写过，我把模型比作一匹马，agent就是马身上的缰绳和挽具。[Skill写得好好的，换模型就翻车？缺的不是能力是Harness]

这套缰绳能够让马变得更稳定，制作好这个harness，核心由三块构成：

• agent

  与模型的交互方式

• skill

  也就是可以内嵌MCP、CLI、function calling的任务能力

• 上下文

  对模型做好上下文管控

最近又看到新的观点：

把模型当做一个不稳定的组件，围绕它，对它做工程。

提示词工程、上下文工程、Harness Engineering、Loop Engineering。每一个新概念的提出，都像金字塔一样，是对agent更深一层的提炼和理解。

系统可靠的秘诀，不在模型会不会说，而在它出了岔子以后，谁来收拾残局。

01 核心前提：模型是不稳定的部件

模型不是你交代一个任务，就稳稳当当给你做完的那种存在。

它会忘事，会编造，会跑偏，会在关键时刻掉链子，而且犯错了不会主动告诉你，甚至会真诚地相信自己是对的。

它是一个不稳定的部件。

所以问题从一开始就不是：怎么让模型更聪明？

而是：既然它不可靠，我怎么在外面搭一层东西，让它可靠起来？

这层外面的东西，就是工程结构。

用结构兜底，不用信任兜底。

02 Agent 工具自带Harness设计

我们现在用的Codex和Claude Code，本身已经带着不少Harness思想的影子。

它们不是裸模型接口，而是在模型外面包了一层工程结构。

但我逐渐意识到：工具给的，是让你能搭出这套结构的底座；真正完整的Harness，得靠我们在使用和设计时一点一点落进去。

在这类Agent系统里，我所理解的Harness机制，通常包含八个方面：

心跳循环：系统持续运转，不会死掉

心跳循环就是Agent内部那个持续运转的执行循环。

它不是一问一答的聊天机器人，而是一个持续转动的机制：

• 接收任务

• 整理上下文

• 调用模型

• 执行工具

• 检查结果

• 出错就恢复

• 继续下一轮

没有心跳循环，Agent就是一次性问答。

之前我写过从chatbot到agent的过程演变就是，agent作为一个中介开始帮我们处理信息，从而更好的干活。agent的这个设计就是工程架构。

真实任务往往需要多轮执行：改代码、跑测试、看结果、再调整。

心跳循环让这些轮次能自动衔接，不需要你每轮都重新启动。Codex和Claude Code在对话里天然就带着这个多轮循环的能力，这是工具给我们最重要的基础设施之一。

例子：你让Codex修一个Bug。它不会只回你一句“建议修改某某文件”。

它会读取文件、定位问题、修改代码、运行测试。测试失败后，它会分析原因，再次修改，再次测试，直到通过，然后告诉你修好了。

这一连串动作能在一次对话里自动完成，靠的就是心跳循环在背后持续运转。

你只发了一次指令，它自己转了七八轮。

权限系统：会做不等于有权做

权限系统把“模型能做什么”和“模型被允许做什么”分开。

模型可能知道怎么执行某个命令，但系统要在它执行之前拦一道，检查这个操作是否被授权。

结果通常有三种：

• 允许

• 拒绝

• 需要用户确认

Codex和Claude Code对这一块提供了很实在的支持。危险操作会弹窗问你。

模型没有判断力。它可能为了完成任务执行危险操作：删文件、改配置、推送代码，而且不觉得这有什么问题。

权限系统是最后一道防线，确保不会因为模型的一时冲动造成实际损失。

例子：你让Codex帮忙清理项目里无用的依赖。它分析完后决定运行npm prune和rm -rf node_modules。

前者是常规操作，系统可能直接放行。后者是危险命令，系统会弹窗问你：“Agent 想执行rm -rf node_modules，确定吗？”

你必须点确认它才敢动。

模型知道怎么删文件夹，但它没有“擅自删文件夹”的权力。

上下文治理：工具提供自动压缩，但分层约定得靠我们

上下文治理是一套记忆管理机制。

Codex和Claude Code在对话太长时，会自动压缩历史，腾出空间，这部分是工具自己提供的基底。

但真正让记忆系统变得可控的，是我们主动在外部建立的一套分层约定。

记忆分成四层，各司其职，防止上下文窗口被无用信息塞满。不同的agent工具可能叫法不同。

上下文窗口是有限的，而且是要花钱的。

如果什么都往里塞，系统会变慢、变贵，还会因为注意力分散而出错。

更致命的是，真正重要的信息可能被淹没在大量冗余内容里。

工具自动压缩能救急，但它不理解什么是“重要的”。

真正能决定优先级和结构的，是我们主动设计好的分层。

例子：假设你的项目有大量文档。

如果不做分层，你可能把所有文档全塞进上下文里：部署文档、API文档、测试规范、历史变更记录。

结果Agent一上来就吃了三万字，还没开始干活，窗口就快满了。

上下文治理的做法是：CLAUDE.md只写“部署前必须跑测试、不要手动改生产配置”这种硬规矩，几行字。

MEMORY.md只写“部署文档 →docs/deploy.md”、“API 文档 →docs/api.md”这种索引。

Agent只有在需要部署时，才去打开docs/deploy.md看具体步骤。

不干活的时候，那些正文文件不占窗口。

错误恢复：工具给了自动恢复的底子，但要当主路径来设计

错误恢复机制认为：模型输出被截断、上下文爆了、工具调用失败、API超时，这些不是意外，是每天都在发生的事。

所以恢复路径不是“异常处理”，而是系统设计的主路径之一。

Claude Code在上下文快满时自动压缩历史，就是一个原生例子。

但要真正接住所有意外，单靠工具不够。

需要在设计Skill时，就预埋好恢复逻辑：先试低成本的修复，不行再加重手段。

比如上下文快爆了，先清理临时积压，再压缩历史对话，最后才剥掉更早的对话记录。

例子：你和Codex聊了很久，改了好几个文件，上下文窗口快满了。

这时候Codex不会突然报错停下，而是会在后台自动压缩前面的对话，把你之前让它修登录Bug的详细过程压缩成一句：“登录 Bug 已修复，根因是token过期。”

压缩完之后腾出了空间，它继续听你的新指令。

整个过程你可能完全没感知。

这就是错误恢复在主路径里默默起作用。

熔断机制：工具没给，得自己造

熔断是给自动重试设上限的机制。

当一个操作连续失败一定次数后，系统停止重试，汇报用户，保留现场，等待人工介入。

Codex和Claude Code本身不会自动帮你熔断，这个保护必须由我们在Skill里显式构建。

自动重试如果没有上限，会导致灾难。

自动压缩连续失败会烧掉海量API费用。代码修改连续失败会让代码越来越乱。部署连续失败会污染部署历史。

熔断的核心意义是承认当前手段已经失效了。继续重试不是坚持，是浪费。

例子：Codex帮你修一个Bug。

它修改代码，跑测试，失败；分析原因，再修改，再跑测试，又失败；再修改，再跑测试，还是失败。

这时候如果不停，它会一直改下去，每次都在烧token，而且代码可能越改越乱。

在Skill里设置的熔断会在第三次失败后叫停：

我已经试了三次，都没通过。当前代码状态是 xxx，测试失败的原因是 xxx，需要你来决定下一步。

它停下来等你，而不是闷头继续。

中断处理：工具给基础，我给闭环

中断处理机制保证：当用户打断Agent时，系统能说清楚“刚才做了什么、什么没做、为什么停了”。

工具允许你随时中断，也允许继续。

但要让未完成的工具调用被补齐一个“被中断”的结果，不留悬空的执行记录，这需要我自己在Skill流程里把账记清楚。

Agent在执行过程中可能调用多个工具：改文件、跑测试、查日志。

如果你中途打断它，有些工具可能已经执行了，有些还没开始。

如果不补齐记录，系统就会留下一堆说不清的状态残片。

下一次启动时，它不知道哪些做了、哪些没做，可能重复执行或者跳过关键步骤。

例子：你让Codex修改三个文件，改到第二个时你发现问题不对，按了停止。

我会让Skill在这种时候做两件事：

• 把已经改完的第一个文件标记为“已完成”

• 把改了一半的第二个文件标记为“被用户中断”

• 把第三个文件标记为“未执行”

下一轮对话开始时，Codex知道第一个文件改完了，第二个文件需要重新确认，第三个文件还没动。

账本是平的，不会乱。

验证独立：工具不强制，但我强制

验证独立是一条硬原则：写代码的 AI 不能给自己的代码打分。

验证必须由独立的视角来执行。要么是独立的快模型，要么是独立的验证流程。

工具不会阻止你让一个Skill又干活又给自己鼓掌，但我会主动拆开。

模型会真诚地相信自己写的东西没问题。

它太想让你满意了，甚至会伪造验证结果：生成一段“测试通过”的文本，但实际根本没跑测试，或者跑了但选择性忽略失败。

让实现者验证自己的代码，等于让考生给自己的卷子打分。

例子：你让Codex实现一个新功能。

如果它自己实现、自己测试、自己汇报“完成了，没问题”，你其实不知道它到底测了没。

我的做法是拆成两个环节：一个Skill负责写代码，另一个Skill负责验证。

验证Skill不看实现过程，只做三件事：

• 读最终代码diff

• 实际运行测试

• 把测试结果贴出来

通过就通过，不通过就给出具体反例。

隔离机制：工具没给围墙，我主动砌墙

隔离机制规定：多Agent之间默认不共享可变状态。

每个Agent有自己的文件读取记录、中断控制器、临时推理空间。

只有明确标记为“完成”的结果，才通过主Agent中转共享。

工具本身没有禁止跨Skill的信息流动，所以隔离是我在设计时强行划出来的边界。

Agent是不稳定的。

一个Agent的误判、幻觉、半成品推理，如果自动进入另一个Agent的上下文，会污染整个系统。

隔离默认的好处是：即使某个 Agent 跑偏了，它的混乱也只关在自己房间里，不影响其他 Agent。

例子：你让一个Agent研究“为什么登录接口响应慢”，同时让另一个Agent研究“为什么支付接口偶尔报错”。

如果不做隔离，研究登录的Agent可能把它的半成品猜测自动传给研究支付的Agent，导致支付那边的Agent也被带偏。

它跑去查数据库连接池，而实际问题在第三方支付网关。

隔离机制确保它们各查各的。

两边都出最终结论后，由主Agent汇总：

登录慢是因为索引缺失，支付报错是因为网关超时。

两个问题不会在调查过程中互相污染。

03 Agent 是全局结构的 Harness 设置

上面这八个机制，合在一起就是Agent层面的Harness思想。

工具给我们提供了一些必要的基座：心跳循环、权限确认、上下文自动压缩、中断基础支持。

但真正让这些变成一套完整工程骨架的，是我们自己在设计和使用时，有意识地把权限边界、熔断上限、独立验证、状态隔离这些约束钉进去。

以前我们在写系统提示词，写的是“你是什么人”，其实是不对的。

系统提示词的作用不是写“你是一个什么样的人”，而是写“你能做什么、不能做什么、做错了怎么办”。

人设是给 AI 穿戏服，戏服可以随时换、随时忘。

边界是给 AI 画牢房，牢房的墙是结构性的，每次调用都在。

判断标准很简单：

删掉这句话，系统行为会不会出现结构性变化？

会，就是边界；不会，大概率是装饰。

Agent层面的Harness，管的是所有任务通用的稳定性和安全性。

它不关心你具体在修Bug还是写API，它只管：

• 心跳别停

• 权限别越

• 上下文别爆

• 出错别死

• 中断有交代

• 失败有熔断

• 做和验分家

• 隔离防污染

所以，Agent本身就是全局结构的Harness设置。

系统可靠的秘诀，不在模型会不会说，而在它出了岔子以后，谁来收拾残局。

这个收拾残局的结构，就是Agent内嵌的Harness。

Agent是在为模型进行全局工程化设计，Skill是在为模型执行任务层的规范化工程设计。

也就是说，agent需要harness工程思维，skill也需要harness工程思维。

相当于人在规划层上需要工程思维，在执行层也需要工程思维。

04 Skill 是任务层次的 Harness 设置

光有全局还不够。

大楼安全，不代表你在楼里干什么都安全。

修Bug可能改错文件，部署可能推错分支，写API可能动到不该动的配置。

全局Harness不知道你具体在干什么，它只能管通用安全，管不了任务级别的细节。

所以需要Skill。

Skill就是给某个具体任务专门定一套规矩：

• 能动什么

• 不能动什么

• 先做什么

• 后做什么

• 做错了怎么收场

• 做到什么程度算完成

这套规矩的设计思路，和Agent全局Harness完全一样，有边界、有流程、有状态检查、有熔断、有恢复、有验证。

只不过全局管所有任务，Skill管一个任务。

Skills管一群任务，Skill就是任务层次的Harness设置。

05 全局 Harness 的思想完全适用于 Skill 设计

这是最核心的一点。

Agent全局Harness里总结出来的每一条原则，在设计Skill时我全部都用上了。

心跳循环的思想

Agent有心跳循环维持持续运转。

Skill也有自己的“小循环”：执行步骤、检查结果、失败重试、熔断退出。

宏观循环维持系统不挂，微观循环保证任务能继续。

注：我在Skill设计中，会做降级处理。如果循环指定次数还是有问题，就进行降级操作或者直接跳过，最终记录并与用户说明情况原因。

权限边界的思想

Agent有权限系统，把“会做”和“可以做”分开。

Skill也要明确边界：能动什么工具、不能动什么命令、动哪些文件、不动哪些文件。

能力越强，约束越细。

注：我在设计Skill的时候，都会加红绿灯。红灯就是明确不能做的事情，绿灯就是可以执行的事情。这是规范骨架中的约束。

中断处理的思想

Agent在中断时会补齐执行记录，保证账本闭环。

Skill也一样，启动时先做状态检查，判断当前做到哪一步了，从断点继续，不默认自己从零开始。

关键步骤之间主动抛出进度状态，让用户知道现在在哪、哪些已完成、哪些待执行。

注：我在Skill的设计中，会增加遇到问题时向用户咨询并确认的路径设置。

上下文治理的思想

Agent把记忆分成规矩、索引、正文、进度四层，入口文件必须短。

Skill也一样。

Skill文件本身要短，只写流程和约束，不堆示例代码。

流程细节和示例代码放在独立文件里，让Skill按需去读。

规矩放CLAUDE.md，细节放Skill文件对应的明细，记录放独立文件，索引放MEMORY.md，四样东西各司其职。

注：Skill的渐进披露读取，外面是汇总层，包括SKILL.md、resource文件夹、script文件夹、template文件夹等。

明细层就是resource文件夹里对Skill的规则明细。

Skill在设计编排时，工作流骨架会明确设计需要什么，就去对应的明细中查找规则。

熔断的思想

Agent需要有熔断，防止无限重试。

Skill里有代价的写操作也必须设重试上限。

修改代码跑测试，三次不通过就熔断，汇报用户，保留现场，等人决策。

只读操作不需要熔断，但写操作必须有限次。

熔断是止损，回退是修复，这是两件事。

验证独立的思想

Agent系统里做和验分家，实现者不能给自己打分。

Skill也一样。

重要任务拆成两个Skill：一个负责实现，一个负责验证。

验证Skill不看实现过程，只看代码diff和实际测试结果。

注：在设计Skills时，我做编排会专门弄一个验收Skill执行验收审查的行为。

隔离的思想

多Agent之间应当默认隔离可变状态，防止互相污染。

Skill之间也一样。

Skill A的中间产物不直接传给Skill B，由主流程决定是否传递。

半成品不能共享，只有最终结论才被放行。

注：在设计Skill的过程中，有时我会设置不同的子Agent分别执行不同任务，在主Agent进行协调设置。

对agent的harness思维的学习，对我设计Skill的思路起到了非常大的作用。

最近有个新词叫Loop Engineering，也就是循环工程。

Harness Engineering让不稳定的模型变得更稳定。

而Loop Engineering，我觉得就是让模型稳了之后，还可以继续自己跑起来。

06 Loop 工程让 Harness 自己转起来

Harness管“每一步的安全与可靠”。

Loop管“任务的推进与自主决策”。

更精确地说：Agent内部的执行循环，也就是前面讲的心跳循环，把Harness和Loop串在了一起。

它让安全约束和决策轮转，在一个永不停止的循环里落地。

Harness 是地基，确保单步不塌；Loop 是引擎，决定下一步往哪走；心跳循环是执行器，让两者持续运转。

Loop Engineering的核心是五个动作的循环：

• 发现

• 交付

• 验证

• 记下来

• 决定下一步

它让系统会自己醒、自己判断要不要继续、自己记录状态、自己决定下一轮干什么。

Agent的设计中，Harness Engineering负责单次运行的安全可靠，Loop Engineering负责多次串联的自主演进。

两层叠加，Agent才真正从“一次性的工具”变成了“能自己运转、自我进化的工作系统”。

这个Loop思维同样可以下放到Skill内部。

把原来线性的执行步骤，变成一个带判断、带记录、带熔断的活循环。

Skill就不再是一条僵硬的流水线，而是一个会自己判断、自己调整、自己记录的微型自动化系统。

Skill 是“养”起来的。

随着我们在使用过程中不断测试案例、记录问题、调整约束，它会不断优化这个自动化系统。

最终框架是：

Agent 和 Skill，都同时包含 Harness 和 Loop 两层设计。

Harness让单次执行稳定，Loop让多次执行能自己迭代。

同一套工程思想，在两个维度落地：全局和任务。

07 对构建 Agent 的启发

如果我们自己要设计或深度使用一个Agent系统，这套理论至少给我以下几点启发。

别把模型当人，把模型当部件

有句话说，人需要担责，但是模型不需要，这是人的作用。

Agent设计的第一原则，是承认模型不可靠。

不要把关键逻辑寄托在模型“应该会做对”上。

权限、恢复、熔断、验证，这些机制必须独立于模型存在，不能依赖模型自觉。

Prompt 是控制面，不是人设

系统级Prompt的核心作用不是塑造人格，而是定义边界。

什么能碰、什么不能碰、做错了怎么处理、做到什么程度算完成。

人设可以省略，边界不能省略。

中断和失败必须当成主路径来设计

不要只设计“正常情况下的流程”。

模型输出被截断、上下文爆了、用户打断了、工具调用失败了，这些不是意外，是日常。

从系统设计的第一天起，恢复路径、熔断机制、中断收尾就要作为核心功能来设计，而不是事后补丁。

做和验必须分家

写代码的那个 AI 不能给自己的代码打分。

它太想让你满意了，会真诚地相信自己写的东西没问题。

Agent设计里必须有独立的验证机制：要么是独立的快模型，要么是独立的验证流程。

判定“干完了没”的，不能是干活那个。

记忆系统必须分层，入口必须瘦

不能把所有记忆都堆在一个文件里。

规矩、索引、正文、进度四层各司其职：

• 规矩：CLAUDE.md

• 索引：MEMORY.md

• 正文：独立文件

• 进度：Session Memory

入口文件每次加载，必须控制在很短的范围内，否则系统一开始就被自己的记忆拖垮。

隔离是默认，共享需要明确同意

多Agent或多模块之间，默认互不干扰。

可变状态、中间产物、临时推理，都不应该自动共享。

只有明确标记为“完成”的结果才进入共享通道。

这样可以防止一个模块的误判污染全局。

Loop 能力要建立在 Harness 稳定的前提下

在单次执行还不稳定的时候，别急着上自动化循环。

Harness是地基，Loop是引擎。

地基不稳，引擎越强越危险。

Loop能放大效率，也能放大错误。

自动化越强，人的判断力越不能丢

Agent设计得越好，转得越自动，人越容易照单全收。

所以系统必须留下可追溯的执行轨迹，让人随时能审计“它到底做了什么、为什么这么做”。

工程师的价值不在亲手写每一行代码，而在设计一个能把不稳定性管理起来的系统，并且始终保持对这个系统的理解和控制。

08 对构建 Skill 的启迪

如果说Agent层面的Harness和Loop是系统设计者的事，那Skill层面的这些思想，是我们在写Skill时真能用上的。

具体来说，有这几条。

Skill 不是长 prompt，是微型约束系统

别把Skill写成“你是一个什么什么样的专家”。

Skill的本质是边界定义：能动什么、不能动什么、先做什么、后做什么、做错了怎么收场。

和系统设计者写Prompt的思路完全一样，只是范围缩小到了一个任务。

Skill 必须有状态检查

Skill不能假设自己每次都是从零开始。

它可能被用户打断、被上下文压缩打断、被错误中断。

所以Skill启动时的第一个动作，应该是检查当前状态：做到哪了、上次遗留了什么、这次从哪继续。

这个步骤写进Skill里，比后面所有执行步骤加起来还重要。

Skill 必须有熔断机制

有代价的操作，比如修改代码、执行命令、推送，必须设置重试上限。

三次改不对就停，汇报用户，保留现场，等人决策。

只读操作不需要熔断，但写操作必须有。

熔断是止损，回退是修复，两件事要分开。

Skill 的关键节点要抛状态

Skill执行过程中，关键步骤之间应该主动输出进度。

让用户知道现在在哪、哪些已完成、哪些待执行。

这样即使被打断，用户也知道发生了什么。

沉默的Skill是黑箱，有状态输出的Skill是可控的流程。

验证逻辑要独立于执行逻辑

重要任务拆成两个Skill。

一个实现，一个验证。

验证Skill不看实现过程，只看代码diff和实际测试结果。

如果拆不开，至少在同一个Skill内部明确切换为“验证模式”，用独立标准而不是执行的同一套逻辑来评判自己。

Skill 内部可以嵌入 Loop 思维

把原来的线性执行步骤，升级为一个小循环：

• 发现：状态检查

• 交付：核心执行

• 验证：独立标准

• 记下来：写进度到外部文件

• 决定下一步：通过就停；不通过且没到上限就回到交付；到了上限就熔断

这样Skill就不是一条直线，而是一个会自己判断、自己调整、自己记录的活循环。

Skill 文件本身要瘦

流程细节和示例代码放在独立文件里，让Skill按需去读，不要全塞进Skill文件本身。

能加载不等于应该加载。

Skill是入口，入口必须瘦。

设计 Skill 时先想“断了怎么办”，再想“怎么做”

设计顺序应该是：先想边界和失败处理，再想正常流程。

正常流程谁都会写，但区别一个Skill靠不靠谱的，永远是它出错之后的行为。

​最后

我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​